Prévia do material em texto
A distribuição de probabilidade de uma variável aleatória X é uma descrição das probabilidades associadas aos possíveis valores de X. Como axioma, temos que a probabilidade pode assumir valores 0 ou maiores que 0 e que a soma de todas as probabilidades será sempre 1. Assim temos que a pX(x) é chamada de função massa de probabilidade. VARIÁVEIS ALEATÓRIASVARIÁVEIS ALEATÓRIAS Por: Vitória Lima O que é? Uma função que mapeia os resultados de um processo estocástico em valores numéricos, onde X é variável aleatória que traduz todos os resultados do experimento em um número x. P(X=x) Variável Aleatória Discreta São aquelas que o resultado é consequência de contagens. Ex: n° de filhos, n° de sucessos em n tentativas... Variável Aleatória Contínuas São aquelas que o resultado é consequência de mensuração. Ex: Massa (kg) do objeto, altura(m) do indivíduo, idade... Valor Esperado de uma Variável Aleatória Discreta O valor esperado é uma outra função, ou seja, uma forma de calcular a média dos valores da v.a. ponderada pelas suas probabilidades. Propriedades do Valor Esperado1. E [ c ] = c E [ c X ] = c E [ X ] E [ X ± Y ] = E [ X ] ± E [ Y ] E [ X ± c ] = E [ X ] ± E [ c ] = E [ X ] ± c VARIÁVEIS ALEATÓRIASVARIÁVEIS ALEATÓRIAS Por: Vitória Lima Variância de uma Variável Aleatória Discreta Podemos dizer que a variância é um valor esperado porém dos desvios quadráticos de uma v.a., o que se espera a longo prazo dos desvios em relação à sua média. V ( X ) =σ^ 2 = ∑ i ( x i − μ ) ^ 2⋅p X ( x i ) V ( X ) =σ^ 2 = E [ ( X − E [ X ] ) ^ 2 ] V ( X ) =σ^ 2 = E [ X ^ 2 ] − ( E [ X ] ) ^ 2 Propriedades da Variância 1. V [ c ] = 0 V[cX]=c^2 * V[X] V[X+Y]=V[X]+V[Y]+2COV(X,Y) V[X−Y]=V[X]+V[Y]−2COV(X,Y) V[X+Y]=V[X]+V[Y] V[X−Y]=V[X]+V[Y] COV(X,Y)=E[XY]−E[X]E[Y]=E[(X−E[X])(Y−E[Y])] COV(X,Y)=COV(Y,X) simetria COV(X,X)=V(X) V[X+Y]=E[X+Y]^2−(E[X+Y])^2 V[X+Y]=E[X^2+2XY+Y2]−(E[X]+E[Y])^2 V[X+Y]=E[X^2]+2E[XY]+E[Y^2]−{(E[X])^2+2E[X]E[Y]+(E[Y])^2} V[X+Y]= E[X^2]+2E[XY]+E[Y^2]−(E[X])^2−2E[X]E[Y]−(E[Y])^2 X ~ Binomial (n, p) Repetição de n experimentos independentes de Bernoulli, cada um com probabilidade p de sucesso. X é o número de sucesso em n repetições. X = 0, 1, 2, ... , n. PMF: E(X) = n*p Var(X) = n*p * (1 - p) VARIÁVEIS ALEATÓRIAS DISCRETAS Por: Vitória Lima Distribuição de Bernoulli Distribuição de Binomial X ~ Bernoulli 0 ou 1 A probabilidade de sucesso p é constante PMF: P(X=0) = 1 - p P(X=1) = 1 E(X) = p Var(X) = p * (1 - p) Distribuição de Geométrica X ~ Geométrica (p) Repetição de experimentos independentes de Bernoulli, cada um com probabilidade p de sucesso, até se observar o primeiro sucesso. X é o número de sucesso em n repetições. X = 1, 2, ... , n. PMF: E(X) = 1/p Var(X) = Lembrando que: VARIÁVEIS ALEATÓRIAS DISCRETAS Por: Vitória Lima Distribuição Hipergeométrica X ~ Hipergeométrica (N, K, n) Suponha uma população com um número finito de elementos (N). K itens da população apresentam uma determinada característica. Uma amostra de n elementos é selecionada, sem reposição, da população. A variável aleatória X é o número de elementos na amostra com característica de interesse. X = max( 0, n + K - N), ... , min( n, K) PMF: E(X) = n * (K/N) Var(X) = Distribuição de Poisson X ~ Poisson (λ); é o número de ocorrências em uma determinada unidade (tempo, comprimento, volume); λ é a média do número de ocorrências por unidade; é constante; Emerge quando o número de repetições de Bernoulli em um experimento Binomial tende a infinito `a medida que a probabilidade de sucesso decresce, a fim de manter fixa a média da variável aleatória Binomial (λ = n*p). PMF: E(X) = Var(X) = λ